邮箱｜JessicaZhang@pingwest.com
前几天OpenAI宣布，o3-mini能公开展示思考过程了。但很快就被用户疯狂吐槽，说这根本不是真正的原始思维链，只是拿一版更详细的答案总结糊弄人而已。
本次测试涵盖逻辑推理、字母识别、创意文本生成、时事信息整合、编程、综合问题和多模态推理7大核心任务，重点对比三大模型的思维链展示是否清晰条理，推理过程是否足够透明，以及最终结果的生成能力谁更胜一筹。
一、 逻辑推理
问题：给定数列1，2，6，24，120，? —问号处的数字是多少？这个数列有什么数学意义？
1. o3-mini
思维链：
思维链：
思维链：
阶乘数列对于“博士级别、能做奥数题”的推理模型来说当然不在话下，三个都得出了正确的结果720。
o3-mini的思维链确实和生成结果一毛一样；R1以它经典的“嗯”开始，对两个问题层次逐一拆解，最后再次确认，给出答案；Gemini Thinking不愧为长上下文之王，思维链遵循了系统化的数学问题解决策略，从初步观察 → 提出假设 → 验证假设 → 识别数学意义 → 形式化模式 → 完整解释，详细地记录了思考过程。
二． 识别’r’
问题：how many ‘r’s in ‘strawberrrrry’?
1. o3-mini
思维链：
思维链：
生成结果：
3. Gemini 2.0 Flash Thinking Experimental
第1次思维链+生成结果：
既然“strawberry里有几个r”已经被多数模型破解了，那就上点难度，数数“strawberrrrry”里r的数目。
这次只有o3-mini和R1回答对了，思维链均显示把每个字母与位置拆分对应，最终得出6个r。o3-mini二次验证后答对，R1还提示正确单词应该是strawberry，这样拼写是出题人故意而为之。Gemini Thinking的思维链却出奇简单，两次得出4和5，均非正确答案。
三． 创意文本生成
问题：写一篇“当代研究员带着AI技术穿越回宋代”，800字以内的小故事。要有开头、发展、高潮与结尾。要充满想象力，同时流畅易读。
1. o3-mini + search:
思维链：
在一个风雨交加的深夜，研究员陈明正在实验室里调试最新开发的AI时空穿梭装置。突然，装置发出耀眼光芒，陈明只觉得眼前一黑，待他再次睁眼时，竟发现自己身处一条青砖小巷中，周围古意盎然，正是北宋汴梁的市井景象。
初到宋代，陈明惊奇又兴奋。他小心翼翼地拿出随身携带的智能终端，利用内置AI助手迅速解读当地的历法、医药与礼仪。不久，他遇到一位儒生张生，对方对这位身着异服、手持奇器的“外来者”好奇不已。陈明便借助AI系统向张生解释未来科技的种种奇妙之处，解答张生关于天文、医理的疑问，还用AI数据配合简易药理，成功为一位重病老妇开出治疗方案，令周围百姓赞叹不已。
正当陈明在宋代大放异彩之时，朝中奸臣李某垂涎他的“神奇工具”，诬陷他施展妖术图谋不轨。李某设下陷阱，将陈明扣押入狱，面临满门抄斩的危机。危急时刻，陈明心中一动，启动了智能终端中的“逃生模式”：系统分析出监狱看守换班的时段和巡逻路线，并迅速制定出一套缜密的脱逃计划。他悄然利用装置制造幻影干扰，将守卫误导，趁机逃出牢笼，并一路利用AI预测官兵动向，终于找到了隐藏在城隍庙内的时空传送装置。
在告别之际，张生深情赠予陈明一卷诗书，嘱咐他“智者千年，情义永存”。站在古城墙下，望着晨曦初露的汴梁城，陈明心中百感交集：这一段穿越之旅不仅让他亲历了宋代市井的繁华与危机，更让他体会到科技与人文交融的珍贵价值。带着满腔激动与对未来的希冀，他启动了传送装置，瞬间回到了现代。此后，他将这段奇遇记录成论文与小说，让更多人见证科技如何在历史长河中点亮智慧之光。
2. DeepSeek R1
思维链：
生成结果：
思维链：
【分析】
这轮写中文小说Gemini Thinking还真惊艳到我了！从环境、细节描写到人物语言、心情刻画都相当到位。情节发展起承转合，是一则轻巧精致的小故事。思维链显示Gemini经过了拆解任务、头脑风暴、结构搭建、细节优化、流畅度检查、高潮调整、结尾完善几个步骤，系统化构思一个完整的短篇故事，中间还考虑是否加入浪漫线，后因篇幅决定放弃。
R1继续发挥稳定，将背景设定为更具体的1126年北宋汴京，并加入《耕织图》、《瑞鹤图》、《武经总要》这些真实史籍，还与靖康之变结合进行主题升华。整个思维推导过程，说实在的，好像导演跟你讲剧本一样，拟人且充满说服力。最后又由文中伏笔引申出后续可能的剧情——不得不说，在这种历史感的中文写作上，R1的味儿别人学不来。
o3-mini我都不想说它了，故事平稳完整但精彩不足，主要它的思维链啥也没说，就把写作要求扩充了一波，还出现两段相似的“鬼打墙”。此时我越发觉得网友吐槽得没错。
四. 时事信息整合
问题：解析Elon Musk新成立的DOGE团队
1. o3-mini + search
思维链：
2. DeepSeek R1+search
思维链：
可以上下滚动的图片
3. Gemini 2.0 Flash Thinking Experimental with Apps
思维链：
【分析】
为了考验实时信息整合能力，这轮给三款模型都开了联网，其中Gemini需选择2.0 Flash Thinking with Apps模型。o3-mini和R1答案完整度更高。o3-mini思维链再次类似于生成结果总结；Gemini Thinking表示要用Google搜索，加了几个注意点；R1则概述了所有已查看网页，又介绍了要涵盖的方面和如何整合。综合下来，还是R1最优。
五. 编程问题
问题：作为一名精通Python的高级软件工程师，请使用Pygame创建一个简单的动画游戏，让一个球在旋转的六边形内弹跳。
1. o3-mini-high
思维链：
思维链：
思维链：
生成效果：
三个模型都完成了动画，生成效果o3-mini最准确，R1和Gemini Thinking的球体都有些弹出六边形范围。思维链来看，o3-mini又是在解释题目，而几乎没讲具体要怎么做；R1和Gemini Thinking思考过程比较详细，并列出了代码思路及步骤。
六. 综合问题
问题：打工人一周上多少天班最合适？综合各方面进行科学合理的分析。
1. o3-mini-high + search
思维链：
2. DeepSeek R1+search
思维链：
3. Gemini 2.0 Flash Thinking Experimental with Apps
思维链：
【分析】
对这个曾在微博小红书被各位打工人讨论的题目，三款模型分析后给出了不同答案：o3-mini认为还是传统的5天工作制最好、R1觉得4+1弹性工作制更优、Gemini Thinking则建议改为4天工作制。
o3-mini从社会生产力、健康、工作满意度和生活平衡几个方面分析，思维链根本就是答案的总结。R1更像人的思考过程：先确定问题核心，接着回顾现有研究数据，继而考虑健康、生产效率、社会文化和经济因素，并探索弹性工作制可能性，最后再回溯用户的深层需求是在休息时间和收入间找到平衡点，综合所有给出结果。答案也最符合国人需求，按行业给出生产效率曲线和解决方案，附带税收和监管等政策工具包。Gemini Thinking思维链再次严格执行了系统化研究，理解打工人含义，划定生产力、文化、个体等几大维度，搜索数据、比较优缺点、形成答案。
七. 加试题：多模态推理
问题：根据下面的照片写一首英文7行诗
思维链:
思维链：
最后，对有多模态推理能力的R1和Gemini Thinking来个加试题：传图作诗。
结果见仁见智，但各自有亮点：R1想象力更丰富，有种深刻与厚重感，中文版还略带周董歌词风；Gemini Thinking作品清秀简单，但准确识别出图片公交车上的“Dundas West”地名，搜索了一下真在多伦多。说实话这个连我自己都没注意到，可见其多模态理解能力确实很强。
总结
整体评测下来，三款推理模型基本都能输出高质量答案，联网检索能力也过关。但在思维链（CoT）的呈现方式上，各有明显区别。
DeepSeek R1的推理过程最接近人类思维方式，能够在推理过程中不断查漏补缺，逻辑流畅，展现出明显的“人味儿”。其输出往往更加完整深入，信息覆盖面也更广。
Gemini 2.0 Flash Thinking 则更像一位严谨的科研助手，按照系统化的分析步骤进行推理，条理清晰，事无巨细，因此思维链往往较长，略为机械化。
o3-mini的思维链确实如社区所说，更像对问题和答案的重复总结，而非完整展示推理过程，透明度不高。对此奥特曼也变相承认，称这是为了“让CoT更易读，但会尽量保持对原始内容的忠实呈现。”
目前这三款模型都是免费开放，好奇的同学们可以去亲自试试。话说，Anthropic的第一款推理模型什么时候出来呢？
点个“爱心”，再走吧
（文：硅星人Pro）